Please use this identifier to cite or link to this item:
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/19135
Title: | Estudo sobre arquiteturas, regularização e otimização de sistemas de aprendizado profundo. |
Other Titles: | Study on architectures, regularization and optimization of deep learning systems. |
???metadata.dc.creator???: | CAMINHA, Vítor Leão. |
???metadata.dc.contributor.advisor1???: | ACIOLI JUNIOR, George. |
???metadata.dc.contributor.referee1???: | SANTOS, Danilo Freire de Souza. |
Keywords: | Sistemas de aprendizado profundo;Otimização de sistemas de aprendizado profundo;Regularização de sistemas de aprendizado profundo;Arquitetura de sistemas de aprendizado profundo;Redes neurais;Aprendizado profundo;Inteligência artificial;Deep learning systems;Optimizing deep learning systems;Regularization of deep learning systems;Deep Learning Systems Architecture;Neural networks;Deep learning;Artificial intelligence |
Issue Date: | Mar-2020 |
Publisher: | Universidade Federal de Campina Grande |
Citation: | CAMINHA, Vítor Leão. Estudo sobre arquiteturas, regularização e otimização de sistemas de aprendizado profundo. 2020. 75f. (Trabalho de Conclusão de Curso - Monografia), Curso de Bacharelado em Engenharia Elétrica, Centro de Engenharia Elétrica e Informática , Universidade Federal de Campina Grande – Paraíba - Brasil, 2020. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/19135 |
???metadata.dc.description.resumo???: | Devido ao recente desenvolvimento da área do aprendizado profundo no campo da inteligência artificial, muitos conceitos teóricos e práticos ainda se encontram obscuros e com pouca documentação para pesquisadores iniciantes na área. Nesse contexto, esse trabalho de conclusão de curso visa explanar alguns conceitos básicos e suas influências na performance e resultados de sistemas de aprendizado profundo e redes neurais. Além da teoria, implementaram-se experimentos didáticos para exemplificar construções práticas de sistemas com diferentes arquiteturas, para diferentes problemas, comparando-se funções de ativação, algoritmos de otimização e regularização, valores iniciais de parâmetros, entre outros, otimizando-se as redes com escolhas de projeto melhores para os problemas específicos. |
Abstract: | Due to the recent development of the area of deep learning in the field of artificial intelligence, many theoretical and practical concepts are still obscure and with little documentation for beginning researchers in the area. In this context, this undergraduate thesis aims to explain some basic concepts and their influences on the performance and results of deep learning systems and neural networks. In addition to the theory, didactic experiments were implemented to exemplify practical constructions of systems with different architectures, for different problems, comparing the activation functions, optimization and regularization algorithms, initial parameter values, among others, optimizing the networks with better design choices for the specific problems. |
Keywords: | Sistemas de aprendizado profundo Otimização de sistemas de aprendizado profundo Regularização de sistemas de aprendizado profundo Arquitetura de sistemas de aprendizado profundo Redes neurais Aprendizado profundo Inteligência artificial Deep learning systems Optimizing deep learning systems Regularization of deep learning systems Deep Learning Systems Architecture Neural networks Deep learning Artificial intelligence |
???metadata.dc.subject.cnpq???: | Engenharia Elétrica. |
URI: | http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/19135 |
Appears in Collections: | Curso de Bacharelado em Engenharia Elétrica - CEEI - Monografias |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
VÍTOR LEÃO CAMINHA - TCC ENG. ELÉTRICA 2020.pdf | Vítor Leão Caminha - TCC Eng. Elétrica 2020. | 780.03 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.